CN109377448A - 一种基于生成对抗网络的人脸图像修复方法 - Google Patents
一种基于生成对抗网络的人脸图像修复方法 Download PDFInfo
- Publication number
- CN109377448A CN109377448A CN201810484725.0A CN201810484725A CN109377448A CN 109377448 A CN109377448 A CN 109377448A CN 201810484725 A CN201810484725 A CN 201810484725A CN 109377448 A CN109377448 A CN 109377448A
- Authority
- CN
- China
- Prior art keywords
- network
- image
- confrontation
- generating
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000001815 facial effect Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000006870 function Effects 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000004069 differentiation Effects 0.000 claims abstract description 6
- 230000007547 defect Effects 0.000 claims abstract description 4
- 230000008439 repair process Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 210000004709 eyebrow Anatomy 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000003252 repetitive effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 210000004218 nerve net Anatomy 0.000 claims 1
- 230000019771 cognition Effects 0.000 abstract description 4
- 238000013480 data collection Methods 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000013016 learning Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于生成对抗网络的人脸图像修复方法,包括:人脸数据集预处理,对收集到的图像进行人脸识别获取特定尺寸的人脸图像;训练阶段,将收集到的人脸图像作为数据集,对生成网络和判别网络进行训练,旨在通过生成网络获取较为逼真的图像,为了解决网络中存在的训练不稳定、模式崩溃问题,将最小二乘损失作为判别网络的损失函数;修复阶段,自动对原始图像添加特定的掩码,模拟真实缺失区域,将带有掩码的人脸图像输入优化好的深度卷积生成对抗网络中,通过上下文损失和两个对抗损失获取相关的随机参数,通过生成网络获取修复信息。本发明不仅能够解决缺损信息严重的人脸图像修复,而且能够生成更为符合视觉认知的人脸修复图像。
Description
技术领域
本发明属于深度学习和图像处理领域,具体涉及一种基于生成对 抗网络的人脸图像修复方法。
背景技术
图像修复技术是近几年图像处理领域一个重要的分支,属于模式 识别、机器学习、统计学、计算机视觉等多学科的交叉问题。图像修 复是指对在图像保留过程中引起的图像信息缺失进行修复重建或者 去除图像中的多余物体后的修复。现如今,研究人员提出了各种各样 的图像修复的方法,已广泛用于老照片修复、文物保护、去除多余物 体等领域。
由于自然图像固有的模糊和复杂性,基于纹理和局部插值的传统 方法对于语义信息缺失严重的图像修复具有相当的局限性,存在修复 细节模糊,修复图像不平滑等问题。特别是针对面部缺失关键信息(如 眼睛、鼻子)的人脸图像修复问题,传统方法的修复效果不佳,很难 修复出符合人类视觉认知的效果。因此,关键信息严重缺失的人脸图 像修复是图像修复技术中的难点问题。最近,深度学习,特别是生成 对抗网络(GAN)的出现打破了传统方法的局限性。
发明内容
本发明提供一种基于生成对抗网络的人脸图像修复方法,在利用 生成对抗网络可生成符合视觉的人脸图像的基础上,通过引入与缺失 信息的人脸图像相关的上下文损失,并与两个对抗损失一起作为损失 函数,迭代优化生成网络的输入信息,最终获得满足上下文损失要求 且符合视觉认知的生成图像,最后利用此生成图像的相应部分实现有 效的人脸图像修复。同时,针对网络模型中存在的训练不稳定、模式 崩溃的问题,本发明采用最小二乘损失函数取代交叉熵损失函数,从 而提高了网络的稳定性。
本发明所要解决的技术问题有两个,一是现有的生成对抗网络存 在网络训练不稳定和模式崩溃问题;二是现有人脸修复图像不符合视 觉认知、相似度不高的问题。针对这两个问题,本发明提出一种不仅 能够解决生成对抗网络训练不稳定和模式崩溃问题,还能够生成并补 全更为自然和逼真的人脸图像的网络设计方案。
本发明采用的技术方案如下:
一种基于生成对抗网络的人脸图像修复方法,包括以下步骤:
步骤1、收集大量的图像作为数据集,将收集到的图像进行预处 理,裁剪成设定尺寸的人脸训练图像;
步骤2、利用处理好的人脸图像作为数据集优化生成对抗网络模 型的两个深度神经网络:生成网络G和判别网络D,将随机的向量z 输入到生成网络G,通过生成网络G生成人脸图像,通过判别网络 判断图像的真假,直到判别不出图像的真假,则网络达到最优;
步骤3、修复阶段,随机的给测试图像加掩码,模拟真实图像缺 损区域,将此缺损图像输入到训练好的生成对抗网络中,网络通过上 下文损失和对抗损失迭代更新生成对抗网络的输入,通过步骤2中训 练好的生成网络G生成人脸图像,将生成图像的掩码区域替换到缺 失图像的相应位置,再进行泊松融合得到最终的修复完整的人脸图像。
作为优选,步骤1所述的对收集到的图像进行预处理,转换成设 定尺寸的人脸训练图像,具体如下:
对收集到的图像进行人脸识别,提取脸部的信息,下巴的顶部、 眼睛的外沿、眉毛的内沿等;根据每张脸上定位的标志,将收集到的 图像裁剪成设定尺寸大小的人脸训练图像;
作为优选,步骤2所述的将裁剪好的人脸图像作为数据集训练优 化生成对抗网络,具体如下:
生成对抗网络由两个深度卷积神经网络组成:生成网络G和判 别网络D;生成网络G由反卷积构成,输入为[-1,1]上均匀分布的100 维随机向量z,通过四层反卷积得到64*64*3维的图像;判别网络中 输入为64*64*3维的图像,通过四个卷积层获得输入数据属于训练数 据而非生成样本的概率。生成网络G用来模拟数据集中的信息生成 类似于真实数据的人脸图像,判别网络D用来区分输入的图像是来 自于真实数据x还是生成网络G,直到判别网络D判别不出输入图 像的真假,生成对抗网络则达到最优。生成对抗网络的目标函数为:
其中,V(D,G)表示生成对抗网络中需要优化的目标函数;x~pr表 示x服从数据集中的人脸图像分布pr,E[·]表示求数学期望;z~pz表 示z服从先验分布pz,pz为均匀分布或高斯分布,即z为随机采样的向 量。
将sigmoid交叉熵损失函数替换为最小二乘损失函数,其生成网络 G和判别网络D的目标函数:
其中,V(D)表示生成网络G的目标函数,V(G)表示判别网络D 的目标函数。
生成对抗网络通过梯度下降法最小化损失函数对生成网络G和 判别网络D的参数进行反向调节,通过迭代训练网络以提高网络的 精度,从而使生成网络生成类似于训练集的人脸图像。
作为优选,对于图像修复的过程具体如下:
通过步骤2中训练好的生成网络G,随机的给测试图像x加掩码 m,模拟真实图像缺失区域,通过上下文损失和两个对抗损失不断地 更新输入z获得最接近缺损图像的编码z′,利用生成网络G生成的图 像G(z′)获取修复好的图像
其中,m⊙x是输入的残缺图像,m是用于掩盖指定部分的二进 制掩码,其大小与输入图像x大小一致,⊙表示对应元素相乘。z′表 示最接近缺损图像的编码,我们需要通过优化上下文损失和两个对抗 损失来获得:
其中,Lc表示上下文损失,为了确保生成图像与输入的缺损图像尽可 能相似;Ld表示对抗损失,目的是惩罚不真实的图像。λ1、λ2是平衡 不同损失的权重。
通过不断地更新z,获得隐空间中最接近缺损图像的编码z′,将编 码z′作为生成网络G的输入得到生成图像G(z′),将生成图像G(z′)的 掩码区域替换到缺失图像的相应位置,再进行泊松融合得到最终的修 复完整的人脸图像。
与现有技术相比,本发明的突出特点是:在对人脸图像数据集进 行训练优化生成对抗网络时,损失函数选择的是最小二乘损失函数, 对于传统的GAN而言,解决了网络训练中存在的不稳定、网络崩溃 问题。同时提出利用上下文损失和两个对抗损失迭代更新网络的输入, 使修复之后的图像具有真实性。
附图说明
图1基于生成对抗网络的人脸图像修复的流程示意图
图2生成对抗网络GAN模型示意图;
图3本发明中深度卷积生成对抗网络示意图;
图4图像修复结构图;
图5人脸图像修复结果图。
具体实施方式
为了使本发明方法的目的,技术方案以及优点更加清楚明白,以 下结合附图及实例解释本发明,并不用于限定本发明:
如图1所示,本发明提供一种基于生成对抗网络的人脸图像修复 方法,包括以下步骤:
步骤1、人脸数据预处理阶段。对收集到的图像数据进行尺寸设 定,获取训练中设定尺寸大小的人脸图像。
步骤2、训练阶段。将处理好的人脸数据集作为训练数据对生成 对抗网络进行优化。
步骤3、修复阶段。将带有掩码的人脸图像输入到训练好的生成 对抗网络当中,通过上下文损失和判别网络的对抗损失不断地更新生 成网络的输入,在隐空间中寻找最接近缺损图像的编码,通过生成网 络G获得修复信息。
步骤1所述的对收集到的图像进行预处理,具体如下:
使用已有的数据库CeleA,CeleA数据集是一个人脸数据库,包括 202599张名人面孔,以其中20万张图像进行训练,使用2599张图像进 行测试。利用openface对图像进行人脸识别,提取脸部的信息,如下 巴的顶部、眼睛的外沿、眉毛的内沿等等;根据每张脸上定位的标志, 将收集到的图像裁剪成设定尺寸大小的人脸训练图像,以便于眼睛和 嘴巴能够居中,本实例中数据集中图片大小为64*64。
步骤2所述的训练生成对抗网络,具体步骤如下:
将处理好的人脸图像作为数据集输入到生成对抗网络中。生成对 抗网络源自博弈论中的二人零和博弈,它是由两个博弈方组成:生成 网络G和判别网络D,结构如图2所示。生成网络G用来模拟数据集中 的数据分布,生成类似于真实数据的人脸图像;判别网络D用来提取 输入的特征,相当于一个二分类器,区分输入的图像是来自于真实数 据x还是G生成的图像,若样本来自于真实数据,D输出真,否则,输 出假。直到判别网络判别不出输入图像的来源,生成对抗网络则达到 最优。生成网络G由反卷积构成,输入为[-1,1]上均匀分布的100维噪 声向量z,通过四层反卷积得到64*64*3维的图像;判别网络D中输入 为64*64*3维的图像,通过四个卷积层获得输入数据属于训练数据而 非生成样本的概率,本过程详细过程如图3所示。生成对抗网络的目 标函数为:
其中,V(D,G)表示生成对抗网络中需要优化的目标函数;x~pr表 示x服从数据集中的人脸图像分布pr,E[·]表示求数学期望;z~pz表 示z服从先验分布pz,pz为均匀分布或高斯分布,即z为随机采样的向 量。
由于生成对抗网络目标函数中判别器使用的sigmoid交叉熵损失 函数可能会导致网络梯度消失,因此本发明中sigmoid交叉熵损失函 数替换为最小二乘损失函数,其生成网络G和判别网络D的目标函数:
其中,V(D)表示生成网络的目标函数,V(G)表示判别网络的目标 函数。
生成对抗网络通过梯度下降法最小化损失函数对生成网络G和 判别网络D的参数进行逐层反向调节,通过迭代训练网络以提高网络 的精度,从而使生成网络生成类似于训练集的人脸图像。
步骤3所述的图像修复阶段,具体步骤如下:
随机的给测试图像x加掩码m,模拟真实图像缺失区域,通过上 下文损失和两个对抗损失不断地更新z获得最接近缺损图像的编码z′, 通过步骤2中训练好的生成网络G生成的图像获取修复好的图像
其中,m⊙x是输入的残缺图像,m是用于掩盖指定部分的二进 制掩码,其大小与输入图像x大小一致,⊙表示对应元素相乘。z′表 示最接近缺损图像的编码,我们需要通过优化上下文损失和两个对抗 损失来获得:
其中,Lc表示上下文损失,为了确保生成图像与输入的缺损图像 尽可能相似;Ld表示对抗损失,目的是惩罚不真实的图像。λ1、λ2是 平衡不同损失的权重。
上下文损失利用的是生成器输出图像和真实图像的非掩码区域 的1-范数;由于判别器的功能是判定输入图像的真实性,所以对抗损 失直接利用的是训练网络中的判别网络D的损失函数,Ld1是将生成 网络生成的图像作为判别网络D的输入获得的损失函数,Ld2是将修 复完整的图像作为判别网络D的输入获得的损失函数,具体过程如 图4所示。上下文损失和对抗损失的公式如下:
Lc(z)=||m⊙G(z)-m⊙x||1 (6)
通过不断地更新z,获得隐空间中最接近缺损图像的编码z′,将编 码z′作为生成网络G的输入得到生成图像G(z′),将生成图像G(z′)的 掩码区域替换到缺失图像的相应位置,再进行泊松融合得到最终的修 复完整的人脸图像。
实施例1
本发明的方法包括以下步骤:
步骤1、人脸数据预处理阶段。对收集到的数据进行尺寸设定, 获取训练中需要的人脸尺寸大小。
对收集到的图像进行人脸识别,提取脸部的信息,下巴的顶部、 眼睛的外沿、眉毛的内沿等等;根据每张脸上定位的标志,将收集到 的图像裁剪成设定尺寸大小的人脸训练图像,以便于眼睛和嘴巴能够 居中
步骤2、训练阶段。让处理好的人脸数据集作为训练数据对生成 对抗网络进行训练。
GAN由两个网络组成:生成网络G和判别网络D,结构如图1所示, 生成网络G的目的是生成类似于真实数据分布的人脸图像,判别网络 D的目的是判断输入图像真假性。本实例中两个网络使用的是深度卷 积神经网络,同时两个网络的优化是一个极大极小的博弈问题,目标 函数如下:
其中,V(D,G)表示生成对抗网络中需要优化的目标函数;x~pr表 示x服从数据集中的人脸图像分布pr,E[·]表示求数学期望;z~pz表 示z服从先验分布pz,pz为均匀分布或高斯分布,即z为随机采样的向 量。本实例中为了解决GAN模型训练需要达到纳什均衡,训练过程 中难以保证稳定性和收敛性的问题,将sigmoid交叉熵损失函数替换 为最小二乘损失函数,其生成网络G和判别网络D的目标函数:
其中,V(D)表示生成网络G的目标函数,V(G)表示判别网络D的目 标函数。
生成对抗网络通过梯度下降法最小化损失函数对生成网络G和判 别网络D的参数进行逐层反向调节,通过迭代训练网络以提高网络的 精度,从而使生成网络生成类似于训练集的人脸图像。
步骤3、修复阶段。将带有掩码的人脸图像输入到训练好的生成 对抗网络当中,通过上下文损失和判别网络D的对抗损失不断地更新 生成网络G的输入,通过生成网络G获得修复信息。
随机的给测试图像x加掩码m,模拟真实图像缺失区域,通过上 下文损失和两个对抗损失不断地更新z获得最接近缺损图像的编码z′, 通过步骤2中训练好的生成网络G生成的图像获取修复好的图像
其中,m⊙x是输入的缺损图像,m是用于掩盖指定部分的二进 制掩码,其大小与输入图像x大小一致,⊙表示对应元素相乘。z′表 示最接近缺损图像的编码,我们需要通过优化上下文损失和两个对抗 损失来获得:
其中,Lc表示上下文损失,为了确保生成图像与输入的缺损图像 尽可能相似;Ld表示对抗损失,目的是惩罚不真实的图像。λ1、λ2是 平衡不同损失的权重。
上下文损失利用的是生成器输出图像和真实图像的非掩码区域 的1-范数;由于判别器的功能就是判定输入图像的真实性,所以对抗 损失直接利用的是训练网络中的判别网络D的损失函数,如图4所 示,Ld1是将生成网络生成的图像作为判别网络D的输入获得的损失 函数,Ld2是将修复完整的图像作为判别网络D的输入获得的损失函 数。上下文损失和对抗损失的公式如下:
Lc(z)=||m⊙G(z)-m⊙x||1(6)
通过不断地更新z,获得隐空间中最接近缺损图像的编码z′,将编 码z′作为生成网络G的输入得到生成图像G(z′),将生成图像G(z′)的 掩码区域替换到缺失图像的相应位置,再进行泊松融合得到最终的修 复完整的人脸图像。
以上对本发明的具体实施进行了详尽的描述。需要理解的是个别 细节并不局限于上述特定的实施方式,本领域技术人员可以在权利要 求的范围内做出各种变形或修改,并不影响本发明的实质内容。
Claims (4)
1.一种基于生成对抗网络的人脸图像修复方法,其特征在于,包括以下步骤:
步骤1、收集大量的图像作为数据集,将收集到的图像进行预处理,裁剪成设定尺寸的人脸训练图像:
步骤2、利用处理好的人脸图像作为数据集优化生成对抗网络模型的两个深度神经网络:生成网络G和判别网络D,将随机的向量z输入到生成网络G,通过生成网络G生成人脸图像,通过判别网络判断图像的真假,直到判别不出图像的真假,则网络达到最优;
步骤3、修复阶段,随机的给测试图像加掩码,模拟真实图像缺损区域,将此缺损图像输入到训练好的生成对抗网络中,网络通过上下文损失和对抗损失迭代更新生成对抗网络的输入,通过步骤2中训练好的生成网络G生成人脸图像,将生成图像的掩码区域替换到缺失图像的相应位置,再进行泊松融合得到最终的修复完整的人脸图像。
2.如权利要求1所述的基于生成对抗网络的人脸图像修复方法,其特征在于,步骤1所述的对收集到的图像进行预处理,转换成设定尺寸的人脸训练图像,具体如下:
对收集到的图像进行人脸识别,提取脸部的信息,下巴的顶部、眼睛的外沿、眉毛的内沿等;根据每张脸上定位的标志,将收集到的图像裁剪成设定尺寸大小的人脸训练图像。
3.如权利要求1所述的基于生成对抗网络的人脸图像修复方法,其特征在于,步骤2所述的将裁剪好的人脸图像作为数据集训练优化生成对抗网络,具体如下:
生成对抗网络由两个深度卷积神经网络组成:生成网络G和判别网络D;生成网络G由反卷积构成,输入为[-1,1]上均匀分布的100维随机向量z,通过四层反卷积得到64*64*3维的图像;判别网络中输入为64*64*3维的图像,通过四个卷积层获得输入数据属于训练数据而非生成样本的概率;生成网络G用来模拟数据集中的信息生成类似于真实数据的人脸图像,判别网络D用来区分输入的图像是来自于真实数据x还是生成网络G,直到判别网络D判别不出输入图像的真假,生成对抗网络则达到最优;生成对抗网络的目标函数为:
其中,V(D,G)表示生成对抗网络中需要优化的目标函数;x~pr表示x服从数据集中的人脸图像分布pr,E[·]表示求数学期望;z~pz表示z服从先验分布pz,pz为均匀分布或者高斯分布,即z为随机采样的向量;
将sigmoid交叉熵损失函数替换为最小二乘损失函数,其生成网络G和判别网络D的目标函数:
其中,V(D)表示生成网络G的目标函数,V(G)表示判别网络D的目标函数;
生成对抗网络通过梯度下降法最小化损失函数对生成网络G和判别网络D的参数进行逐层反向调节,通过迭代训练网络以提高网络的精度,从而使生成网络生成类似于训练集的人脸图像。
4.如权利要求1所述的基于生成对抗网络的人脸图像修复方法,其特征在于,对于图像修复的过程具体如下:
通过步骤2中训练好的生成网络G,随机的给测试图像x加掩码m,模拟真实图像缺失区域,通过上下文损失和两个对抗损失不断地更新输入z获得最接近缺损图像的编码z′,利用生成网络G生成的图像G(z′)获取修复好的图像
其中,m⊙x是输入的残缺图像,m是用于掩盖指定部分的二进制掩码,其大小与输入图像x大小一致,⊙表示对应元素相乘。z′表示最接近缺损图像的编码,我们需要通过优化上下文损失和两个对抗损失来获得:
其中,Lc表示上下文损失,为了确保生成图像与输入的缺损图像尽可能相似;Ld表示对抗损失,目的是惩罚不真实的图像。λ1、λ2是平衡不同损失的权重。
上下文损失利用的是生成器输出图像和真实图像的非掩码区域的1-范数;由于判别器的功能是判定输入图像的真实性,所以对抗损失直接利用的是训练网络中的判别网络D的损失函数,Ld1是将生成网络生成的图像作为判别网络D的输入获得的损失函数,Ld2是将修复完整的图像作为判别网络D的输入获得的损失函数。上下文损失和对抗损失的公式如下:
Lc(z)=||m⊙G(z)-m⊙x1 (6)
通过不断地更新z,获得隐空间中最接近缺损图像的编码z′,将编码z′作为生成网络G的输入得到生成图像G(z′),将生成图像G(z′)的掩码区域替换到缺失图像的相应位置,再进行泊松融合得到最终的修复完整的人脸图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810484725.0A CN109377448B (zh) | 2018-05-20 | 2018-05-20 | 一种基于生成对抗网络的人脸图像修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810484725.0A CN109377448B (zh) | 2018-05-20 | 2018-05-20 | 一种基于生成对抗网络的人脸图像修复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109377448A true CN109377448A (zh) | 2019-02-22 |
CN109377448B CN109377448B (zh) | 2021-05-07 |
Family
ID=65404156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810484725.0A Active CN109377448B (zh) | 2018-05-20 | 2018-05-20 | 一种基于生成对抗网络的人脸图像修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109377448B (zh) |
Cited By (62)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816615A (zh) * | 2019-03-06 | 2019-05-28 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备以及存储介质 |
CN109886216A (zh) * | 2019-02-26 | 2019-06-14 | 华南理工大学 | 基于vr情景人脸图像复原的表情识别方法、设备及介质 |
CN109919888A (zh) * | 2019-02-26 | 2019-06-21 | 腾讯科技(深圳)有限公司 | 一种图像融合的方法、模型训练的方法以及相关装置 |
CN110008846A (zh) * | 2019-03-13 | 2019-07-12 | 南京邮电大学 | 一种图像处理方法 |
CN110033033A (zh) * | 2019-04-01 | 2019-07-19 | 南京谱数光电科技有限公司 | 一种基于CGANs的生成器模型训练方法 |
CN110033034A (zh) * | 2019-04-01 | 2019-07-19 | 深圳大学 | 一种非均匀纹理的图片处理方法、装置和计算机设备 |
CN110060216A (zh) * | 2019-04-17 | 2019-07-26 | 广东工业大学 | 一种基于生成对抗网络的图像修复方法、装置以及设备 |
CN110070483A (zh) * | 2019-03-26 | 2019-07-30 | 中山大学 | 一种基于生成式对抗网络的人像卡通化方法 |
CN110111236A (zh) * | 2019-04-19 | 2019-08-09 | 大连理工大学 | 基于渐进式对抗生成网络的多目标草图生成图像的方法 |
CN110212528A (zh) * | 2019-06-19 | 2019-09-06 | 华北电力大学 | 基于生成对抗和双重语义感知的配电网量测数据缺失重构方法 |
CN110222628A (zh) * | 2019-06-03 | 2019-09-10 | 电子科技大学 | 一种基于生成式对抗网络的人脸修复方法 |
CN110309889A (zh) * | 2019-07-04 | 2019-10-08 | 西南大学 | 一种双判别器gan的古彝文字符修复方法 |
CN110324533A (zh) * | 2019-07-10 | 2019-10-11 | 北京字节跳动网络技术有限公司 | 处理图像的方法、装置、电子设备、及存储介质 |
CN110378979A (zh) * | 2019-07-04 | 2019-10-25 | 公安部第三研究所 | 基于生成对抗网络实现自定义高分辨率人脸图片自动生成的方法 |
CN110443764A (zh) * | 2019-08-01 | 2019-11-12 | 北京百度网讯科技有限公司 | 视频修复方法、装置及服务器 |
CN110490054A (zh) * | 2019-07-08 | 2019-11-22 | 北京三快在线科技有限公司 | 目标区域的检测方法、装置、电子设备及可读存储介质 |
CN110599411A (zh) * | 2019-08-08 | 2019-12-20 | 中国地质大学(武汉) | 一种基于条件生成对抗网络的图像修复方法及*** |
CN110689500A (zh) * | 2019-09-29 | 2020-01-14 | 北京达佳互联信息技术有限公司 | 一种人脸图像的处理方法、装置、电子设备及存储介质 |
CN110765339A (zh) * | 2019-11-14 | 2020-02-07 | 南宁师范大学 | 一种基于生成对抗网络的残缺中文书法修复补全方法 |
CN110766786A (zh) * | 2019-09-18 | 2020-02-07 | 湖南大学 | 基于生成对抗网络的草图到浅浮雕模型生成的方法 |
CN110827213A (zh) * | 2019-10-11 | 2020-02-21 | 西安工程大学 | 一种基于生成式对抗网络的超分辨率图像修复方法 |
CN111091151A (zh) * | 2019-12-17 | 2020-05-01 | 大连理工大学 | 用于目标检测数据增强的生成对抗网络的方法 |
CN111127355A (zh) * | 2019-12-17 | 2020-05-08 | 上海工程技术大学 | 一种对缺损光流图进行精细补全的方法及其应用 |
CN111179219A (zh) * | 2019-12-09 | 2020-05-19 | 中国科学院深圳先进技术研究院 | 一种基于生成对抗网络的copy-move伪造检测方法 |
CN111210409A (zh) * | 2019-12-30 | 2020-05-29 | 浙江大学 | 一种基于条件生成对抗网络的结构损伤识别方法 |
CN111353069A (zh) * | 2020-02-04 | 2020-06-30 | 清华珠三角研究院 | 一种人物场景视频生成方法、***、装置及存储介质 |
CN111429340A (zh) * | 2020-03-25 | 2020-07-17 | 山东大学 | 一种基于自注意力机制的循环图像翻译方法 |
CN111612687A (zh) * | 2020-04-22 | 2020-09-01 | 杭州电子科技大学 | 一种人脸图像自动上妆方法 |
CN111612798A (zh) * | 2020-05-15 | 2020-09-01 | 中南大学 | 面向人脸数据对完整的人脸网纹修复方法、***及介质 |
CN111612718A (zh) * | 2020-05-21 | 2020-09-01 | 中山大学 | 一种引入注意力机制的人脸图像修复方法 |
CN111612799A (zh) * | 2020-05-15 | 2020-09-01 | 中南大学 | 面向人脸数据对不完整的网纹人脸修复方法、***及存储介质 |
CN111667443A (zh) * | 2020-05-29 | 2020-09-15 | 东华大学 | 一种基于上下文融合的丝绸纹样图像修复方法 |
CN111724310A (zh) * | 2019-03-21 | 2020-09-29 | 马上消费金融股份有限公司 | 图像修复模型的训练方法、图像修复方法及装置 |
CN111784602A (zh) * | 2020-06-28 | 2020-10-16 | 江西理工大学 | 一种生成对抗网络用于图像修复的方法 |
CN111861955A (zh) * | 2020-06-22 | 2020-10-30 | 北京百度网讯科技有限公司 | 构建图像编辑模型的方法以及装置 |
CN111861863A (zh) * | 2019-04-26 | 2020-10-30 | 北京陌陌信息技术有限公司 | 图像处理方法、装置、设备及计算机存储介质 |
CN111882495A (zh) * | 2020-07-05 | 2020-11-03 | 东北林业大学 | 一种基于自定义模糊逻辑与gan的图像高光处理方法 |
CN111899191A (zh) * | 2020-07-21 | 2020-11-06 | 武汉工程大学 | 一种文本图像修复方法、装置及存储介质 |
CN111915591A (zh) * | 2020-08-03 | 2020-11-10 | 中国海洋大学 | 一种用于高质量图像外推的螺旋生成网络 |
CN111968191A (zh) * | 2019-05-20 | 2020-11-20 | 迪士尼企业公司 | 使用梳状神经网络架构的自动图像合成 |
CN112001865A (zh) * | 2020-09-02 | 2020-11-27 | 广东工业大学 | 一种人脸识别方法、装置和设备 |
CN112102194A (zh) * | 2020-09-15 | 2020-12-18 | 北京金山云网络技术有限公司 | 一种人脸修复模型训练方法及装置 |
CN112116022A (zh) * | 2020-09-27 | 2020-12-22 | 中国空间技术研究院 | 基于连续混合潜在分布模型的数据生成方法及装置 |
CN112270651A (zh) * | 2020-10-15 | 2021-01-26 | 西安工程大学 | 一种基于多尺度判别生成对抗网络的图像修复方法 |
CN112329743A (zh) * | 2021-01-04 | 2021-02-05 | 华东交通大学 | 一种疫情环境下的异常体温监控方法、装置及介质 |
CN112381725A (zh) * | 2020-10-16 | 2021-02-19 | 广东工业大学 | 基于深度卷积对抗生成网络的图像修复方法及装置 |
CN112435196A (zh) * | 2020-12-02 | 2021-03-02 | 中国人民解放军战略支援部队信息工程大学 | 基于深度学习的文字修复方法及*** |
CN112465718A (zh) * | 2020-11-27 | 2021-03-09 | 东北大学秦皇岛分校 | 一种基于生成对抗网络的两阶段图像修复方法 |
WO2021047473A1 (zh) * | 2019-09-09 | 2021-03-18 | 京东方科技集团股份有限公司 | 神经网络的训练方法及装置、语义分类方法及装置和介质 |
CN112541866A (zh) * | 2020-11-24 | 2021-03-23 | 同济大学 | 一种基于进化式生成对抗网络的人脸图像修复模型 |
WO2021056843A1 (zh) * | 2019-09-27 | 2021-04-01 | 北京市商汤科技开发有限公司 | 神经网络训练方法及装置和图像生成方法及装置 |
CN112614066A (zh) * | 2020-12-23 | 2021-04-06 | 文思海辉智科科技有限公司 | 图像修复方法、装置及电子设备 |
CN112634158A (zh) * | 2020-12-22 | 2021-04-09 | 平安普惠企业管理有限公司 | 人脸图像恢复方法、装置、计算机设备及存储介质 |
CN112669240A (zh) * | 2021-01-22 | 2021-04-16 | 深圳市格灵人工智能与机器人研究院有限公司 | 高清图像修复方法、装置、电子设备和存储介质 |
CN112927343A (zh) * | 2019-12-05 | 2021-06-08 | 杭州海康威视数字技术股份有限公司 | 一种图像生成方法及装置 |
CN113012052A (zh) * | 2019-12-19 | 2021-06-22 | 浙江商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN113112411A (zh) * | 2020-01-13 | 2021-07-13 | 南京信息工程大学 | 基于多尺度特征融合的人脸图像语义修复方法 |
CN113688799A (zh) * | 2021-09-30 | 2021-11-23 | 合肥工业大学 | 一种基于改进深度卷积生成对抗网络的人脸表情识别方法 |
CN113808003A (zh) * | 2020-06-17 | 2021-12-17 | 北京达佳互联信息技术有限公司 | 图像处理模型的训练方法、图像处理方法及装置 |
CN114862665A (zh) * | 2022-07-05 | 2022-08-05 | 深圳市爱深盈通信息技术有限公司 | 红外人脸图像的生成方法、生成装置和设备终端 |
CN114862699A (zh) * | 2022-04-14 | 2022-08-05 | 中国科学院自动化研究所 | 基于生成对抗网络的人脸修复方法、装置及存储介质 |
CN118175238A (zh) * | 2024-05-14 | 2024-06-11 | 威海凯思信息科技有限公司 | 一种基于aigc的图像生成方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040164996A1 (en) * | 2003-02-24 | 2004-08-26 | Microsoft Corporation | Image region filling by exemplar-based inpainting |
CN107909061A (zh) * | 2017-12-07 | 2018-04-13 | 电子科技大学 | 一种基于不完备特征的头部姿态跟踪装置及方法 |
CN107945118A (zh) * | 2017-10-30 | 2018-04-20 | 南京邮电大学 | 一种基于生成式对抗网络的人脸图像修复方法 |
-
2018
- 2018-05-20 CN CN201810484725.0A patent/CN109377448B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040164996A1 (en) * | 2003-02-24 | 2004-08-26 | Microsoft Corporation | Image region filling by exemplar-based inpainting |
CN107945118A (zh) * | 2017-10-30 | 2018-04-20 | 南京邮电大学 | 一种基于生成式对抗网络的人脸图像修复方法 |
CN107909061A (zh) * | 2017-12-07 | 2018-04-13 | 电子科技大学 | 一种基于不完备特征的头部姿态跟踪装置及方法 |
Non-Patent Citations (2)
Title |
---|
RAYMOND A. YEH,AND ETC: "Semantic Image Inpainting with Deep Generative Models", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
张卫等: "基于生成式对抗网络的人脸识别开发", 《电子世界》 * |
Cited By (100)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI725746B (zh) * | 2019-02-26 | 2021-04-21 | 大陸商騰訊科技(深圳)有限公司 | 圖像融合的方法、模型訓練的方法以及相關裝置 |
WO2020173329A1 (zh) * | 2019-02-26 | 2020-09-03 | 腾讯科技(深圳)有限公司 | 一种图像融合的方法、模型训练的方法以及相关装置 |
CN109919888A (zh) * | 2019-02-26 | 2019-06-21 | 腾讯科技(深圳)有限公司 | 一种图像融合的方法、模型训练的方法以及相关装置 |
US20210295483A1 (en) * | 2019-02-26 | 2021-09-23 | Tencent Technology (Shenzhen) Company Limited | Image fusion method, model training method, and related apparatuses |
CN109919888B (zh) * | 2019-02-26 | 2023-09-19 | 腾讯科技(深圳)有限公司 | 一种图像融合的方法、模型训练的方法以及相关装置 |
US11776097B2 (en) * | 2019-02-26 | 2023-10-03 | Tencent Technology (Shenzhen) Company Limited | Image fusion method, model training method, and related apparatuses |
CN109886216A (zh) * | 2019-02-26 | 2019-06-14 | 华南理工大学 | 基于vr情景人脸图像复原的表情识别方法、设备及介质 |
CN109816615A (zh) * | 2019-03-06 | 2019-05-28 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备以及存储介质 |
WO2020177513A1 (zh) * | 2019-03-06 | 2020-09-10 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备以及存储介质 |
US11983850B2 (en) | 2019-03-06 | 2024-05-14 | Tencent Technology (Shenzhen) Company Limited | Image processing method and apparatus, device, and storage medium |
CN109816615B (zh) * | 2019-03-06 | 2022-12-16 | 腾讯科技(深圳)有限公司 | 图像修复方法、装置、设备以及存储介质 |
KR102477794B1 (ko) | 2019-03-06 | 2022-12-14 | 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 | 이미지 처리 방법, 디바이스 및 장치, 그리고 저장 매체 |
KR20210074360A (ko) * | 2019-03-06 | 2021-06-21 | 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 | 이미지 처리 방법, 디바이스 및 장치, 그리고 저장 매체 |
US20210334942A1 (en) * | 2019-03-06 | 2021-10-28 | Tencent Technology (Shenzhen) Company Limited | Image processing method and apparatus, device, and storage medium |
CN110008846A (zh) * | 2019-03-13 | 2019-07-12 | 南京邮电大学 | 一种图像处理方法 |
CN110008846B (zh) * | 2019-03-13 | 2022-08-30 | 南京邮电大学 | 一种图像处理方法 |
CN111724310B (zh) * | 2019-03-21 | 2023-08-15 | 马上消费金融股份有限公司 | 图像修复模型的训练方法、图像修复方法及装置 |
CN111724310A (zh) * | 2019-03-21 | 2020-09-29 | 马上消费金融股份有限公司 | 图像修复模型的训练方法、图像修复方法及装置 |
CN110070483A (zh) * | 2019-03-26 | 2019-07-30 | 中山大学 | 一种基于生成式对抗网络的人像卡通化方法 |
CN110070483B (zh) * | 2019-03-26 | 2023-10-20 | 中山大学 | 一种基于生成式对抗网络的人像卡通化方法 |
CN110033033A (zh) * | 2019-04-01 | 2019-07-19 | 南京谱数光电科技有限公司 | 一种基于CGANs的生成器模型训练方法 |
CN110033034A (zh) * | 2019-04-01 | 2019-07-19 | 深圳大学 | 一种非均匀纹理的图片处理方法、装置和计算机设备 |
CN110033034B (zh) * | 2019-04-01 | 2023-09-12 | 深圳大学 | 一种非均匀纹理的图片处理方法、装置和计算机设备 |
CN110060216A (zh) * | 2019-04-17 | 2019-07-26 | 广东工业大学 | 一种基于生成对抗网络的图像修复方法、装置以及设备 |
CN110111236A (zh) * | 2019-04-19 | 2019-08-09 | 大连理工大学 | 基于渐进式对抗生成网络的多目标草图生成图像的方法 |
CN110111236B (zh) * | 2019-04-19 | 2022-11-18 | 大连理工大学 | 基于渐进式对抗生成网络的多目标草图生成图像的方法 |
CN111861863A (zh) * | 2019-04-26 | 2020-10-30 | 北京陌陌信息技术有限公司 | 图像处理方法、装置、设备及计算机存储介质 |
CN111968191B (zh) * | 2019-05-20 | 2024-05-10 | 迪士尼企业公司 | 使用梳状神经网络架构的自动图像合成***及方法 |
CN111968191A (zh) * | 2019-05-20 | 2020-11-20 | 迪士尼企业公司 | 使用梳状神经网络架构的自动图像合成 |
CN110222628A (zh) * | 2019-06-03 | 2019-09-10 | 电子科技大学 | 一种基于生成式对抗网络的人脸修复方法 |
CN110212528B (zh) * | 2019-06-19 | 2021-05-07 | 华北电力大学 | 一种配电网量测数据缺失重构方法 |
CN110212528A (zh) * | 2019-06-19 | 2019-09-06 | 华北电力大学 | 基于生成对抗和双重语义感知的配电网量测数据缺失重构方法 |
CN110378979B (zh) * | 2019-07-04 | 2022-12-23 | 公安部第三研究所 | 基于生成对抗网络实现自定义高分辨率人脸图片自动生成的方法 |
CN110309889A (zh) * | 2019-07-04 | 2019-10-08 | 西南大学 | 一种双判别器gan的古彝文字符修复方法 |
CN110378979A (zh) * | 2019-07-04 | 2019-10-25 | 公安部第三研究所 | 基于生成对抗网络实现自定义高分辨率人脸图片自动生成的方法 |
CN110490054A (zh) * | 2019-07-08 | 2019-11-22 | 北京三快在线科技有限公司 | 目标区域的检测方法、装置、电子设备及可读存储介质 |
CN110490054B (zh) * | 2019-07-08 | 2021-03-09 | 北京三快在线科技有限公司 | 目标区域的检测方法、装置、电子设备及可读存储介质 |
CN110324533A (zh) * | 2019-07-10 | 2019-10-11 | 北京字节跳动网络技术有限公司 | 处理图像的方法、装置、电子设备、及存储介质 |
CN110443764A (zh) * | 2019-08-01 | 2019-11-12 | 北京百度网讯科技有限公司 | 视频修复方法、装置及服务器 |
CN110599411A (zh) * | 2019-08-08 | 2019-12-20 | 中国地质大学(武汉) | 一种基于条件生成对抗网络的图像修复方法及*** |
WO2021047473A1 (zh) * | 2019-09-09 | 2021-03-18 | 京东方科技集团股份有限公司 | 神经网络的训练方法及装置、语义分类方法及装置和介质 |
US11934790B2 (en) | 2019-09-09 | 2024-03-19 | Boe Technology Group Co., Ltd. | Neural network training method and apparatus, semantic classification method and apparatus and medium |
CN110766786A (zh) * | 2019-09-18 | 2020-02-07 | 湖南大学 | 基于生成对抗网络的草图到浅浮雕模型生成的方法 |
WO2021056843A1 (zh) * | 2019-09-27 | 2021-04-01 | 北京市商汤科技开发有限公司 | 神经网络训练方法及装置和图像生成方法及装置 |
CN110689500B (zh) * | 2019-09-29 | 2022-05-24 | 北京达佳互联信息技术有限公司 | 一种人脸图像的处理方法、装置、电子设备及存储介质 |
CN110689500A (zh) * | 2019-09-29 | 2020-01-14 | 北京达佳互联信息技术有限公司 | 一种人脸图像的处理方法、装置、电子设备及存储介质 |
CN110827213A (zh) * | 2019-10-11 | 2020-02-21 | 西安工程大学 | 一种基于生成式对抗网络的超分辨率图像修复方法 |
CN110765339A (zh) * | 2019-11-14 | 2020-02-07 | 南宁师范大学 | 一种基于生成对抗网络的残缺中文书法修复补全方法 |
CN112927343B (zh) * | 2019-12-05 | 2023-09-05 | 杭州海康威视数字技术股份有限公司 | 一种图像生成方法及装置 |
CN112927343A (zh) * | 2019-12-05 | 2021-06-08 | 杭州海康威视数字技术股份有限公司 | 一种图像生成方法及装置 |
CN111179219A (zh) * | 2019-12-09 | 2020-05-19 | 中国科学院深圳先进技术研究院 | 一种基于生成对抗网络的copy-move伪造检测方法 |
CN111127355A (zh) * | 2019-12-17 | 2020-05-08 | 上海工程技术大学 | 一种对缺损光流图进行精细补全的方法及其应用 |
CN111091151A (zh) * | 2019-12-17 | 2020-05-01 | 大连理工大学 | 用于目标检测数据增强的生成对抗网络的方法 |
CN113012052A (zh) * | 2019-12-19 | 2021-06-22 | 浙江商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN111210409B (zh) * | 2019-12-30 | 2022-08-23 | 浙江大学 | 一种基于条件生成对抗网络的结构损伤识别方法 |
CN111210409A (zh) * | 2019-12-30 | 2020-05-29 | 浙江大学 | 一种基于条件生成对抗网络的结构损伤识别方法 |
CN113112411A (zh) * | 2020-01-13 | 2021-07-13 | 南京信息工程大学 | 基于多尺度特征融合的人脸图像语义修复方法 |
CN113112411B (zh) * | 2020-01-13 | 2023-11-24 | 南京信息工程大学 | 基于多尺度特征融合的人脸图像语义修复方法 |
CN111353069A (zh) * | 2020-02-04 | 2020-06-30 | 清华珠三角研究院 | 一种人物场景视频生成方法、***、装置及存储介质 |
CN111429340A (zh) * | 2020-03-25 | 2020-07-17 | 山东大学 | 一种基于自注意力机制的循环图像翻译方法 |
CN111612687A (zh) * | 2020-04-22 | 2020-09-01 | 杭州电子科技大学 | 一种人脸图像自动上妆方法 |
CN111612687B (zh) * | 2020-04-22 | 2023-04-18 | 杭州电子科技大学 | 一种人脸图像自动上妆方法 |
CN111612799A (zh) * | 2020-05-15 | 2020-09-01 | 中南大学 | 面向人脸数据对不完整的网纹人脸修复方法、***及存储介质 |
CN111612798A (zh) * | 2020-05-15 | 2020-09-01 | 中南大学 | 面向人脸数据对完整的人脸网纹修复方法、***及介质 |
CN111612798B (zh) * | 2020-05-15 | 2023-04-18 | 中南大学 | 面向人脸数据对完整的人脸网纹修复方法、***及介质 |
CN111612718A (zh) * | 2020-05-21 | 2020-09-01 | 中山大学 | 一种引入注意力机制的人脸图像修复方法 |
CN111667443B (zh) * | 2020-05-29 | 2021-10-12 | 东华大学 | 一种基于上下文融合的丝绸纹样图像修复方法 |
CN111667443A (zh) * | 2020-05-29 | 2020-09-15 | 东华大学 | 一种基于上下文融合的丝绸纹样图像修复方法 |
CN113808003A (zh) * | 2020-06-17 | 2021-12-17 | 北京达佳互联信息技术有限公司 | 图像处理模型的训练方法、图像处理方法及装置 |
CN113808003B (zh) * | 2020-06-17 | 2024-02-09 | 北京达佳互联信息技术有限公司 | 图像处理模型的训练方法、图像处理方法及装置 |
CN111861955A (zh) * | 2020-06-22 | 2020-10-30 | 北京百度网讯科技有限公司 | 构建图像编辑模型的方法以及装置 |
CN111784602A (zh) * | 2020-06-28 | 2020-10-16 | 江西理工大学 | 一种生成对抗网络用于图像修复的方法 |
CN111882495A (zh) * | 2020-07-05 | 2020-11-03 | 东北林业大学 | 一种基于自定义模糊逻辑与gan的图像高光处理方法 |
CN111899191A (zh) * | 2020-07-21 | 2020-11-06 | 武汉工程大学 | 一种文本图像修复方法、装置及存储介质 |
CN111899191B (zh) * | 2020-07-21 | 2024-01-26 | 武汉工程大学 | 一种文本图像修复方法、装置及存储介质 |
CN111915591A (zh) * | 2020-08-03 | 2020-11-10 | 中国海洋大学 | 一种用于高质量图像外推的螺旋生成网络 |
CN112001865A (zh) * | 2020-09-02 | 2020-11-27 | 广东工业大学 | 一种人脸识别方法、装置和设备 |
CN112102194A (zh) * | 2020-09-15 | 2020-12-18 | 北京金山云网络技术有限公司 | 一种人脸修复模型训练方法及装置 |
CN112116022B (zh) * | 2020-09-27 | 2024-05-31 | 中国空间技术研究院 | 基于连续混合潜在分布模型的数据生成方法及装置 |
CN112116022A (zh) * | 2020-09-27 | 2020-12-22 | 中国空间技术研究院 | 基于连续混合潜在分布模型的数据生成方法及装置 |
CN112270651B (zh) * | 2020-10-15 | 2023-12-15 | 西安工程大学 | 一种基于多尺度判别生成对抗网络的图像修复方法 |
CN112270651A (zh) * | 2020-10-15 | 2021-01-26 | 西安工程大学 | 一种基于多尺度判别生成对抗网络的图像修复方法 |
CN112381725A (zh) * | 2020-10-16 | 2021-02-19 | 广东工业大学 | 基于深度卷积对抗生成网络的图像修复方法及装置 |
CN112381725B (zh) * | 2020-10-16 | 2024-02-02 | 广东工业大学 | 基于深度卷积对抗生成网络的图像修复方法及装置 |
CN112541866B (zh) * | 2020-11-24 | 2022-09-13 | 同济大学 | 一种基于进化式生成对抗网络的人脸图像修复模型 |
CN112541866A (zh) * | 2020-11-24 | 2021-03-23 | 同济大学 | 一种基于进化式生成对抗网络的人脸图像修复模型 |
CN112465718A (zh) * | 2020-11-27 | 2021-03-09 | 东北大学秦皇岛分校 | 一种基于生成对抗网络的两阶段图像修复方法 |
CN112465718B (zh) * | 2020-11-27 | 2022-07-08 | 东北大学秦皇岛分校 | 一种基于生成对抗网络的两阶段图像修复方法 |
CN112435196A (zh) * | 2020-12-02 | 2021-03-02 | 中国人民解放军战略支援部队信息工程大学 | 基于深度学习的文字修复方法及*** |
CN112435196B (zh) * | 2020-12-02 | 2022-11-29 | 中国人民解放军战略支援部队信息工程大学 | 基于深度学习的文字修复方法及*** |
CN112634158A (zh) * | 2020-12-22 | 2021-04-09 | 平安普惠企业管理有限公司 | 人脸图像恢复方法、装置、计算机设备及存储介质 |
CN112614066A (zh) * | 2020-12-23 | 2021-04-06 | 文思海辉智科科技有限公司 | 图像修复方法、装置及电子设备 |
CN112329743A (zh) * | 2021-01-04 | 2021-02-05 | 华东交通大学 | 一种疫情环境下的异常体温监控方法、装置及介质 |
CN112669240B (zh) * | 2021-01-22 | 2024-05-10 | 深圳市格灵人工智能与机器人研究院有限公司 | 高清图像修复方法、装置、电子设备和存储介质 |
CN112669240A (zh) * | 2021-01-22 | 2021-04-16 | 深圳市格灵人工智能与机器人研究院有限公司 | 高清图像修复方法、装置、电子设备和存储介质 |
CN113688799A (zh) * | 2021-09-30 | 2021-11-23 | 合肥工业大学 | 一种基于改进深度卷积生成对抗网络的人脸表情识别方法 |
CN114862699A (zh) * | 2022-04-14 | 2022-08-05 | 中国科学院自动化研究所 | 基于生成对抗网络的人脸修复方法、装置及存储介质 |
CN114862665B (zh) * | 2022-07-05 | 2022-12-02 | 深圳市爱深盈通信息技术有限公司 | 红外人脸图像的生成方法、生成装置和设备终端 |
CN114862665A (zh) * | 2022-07-05 | 2022-08-05 | 深圳市爱深盈通信息技术有限公司 | 红外人脸图像的生成方法、生成装置和设备终端 |
CN118175238A (zh) * | 2024-05-14 | 2024-06-11 | 威海凯思信息科技有限公司 | 一种基于aigc的图像生成方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109377448B (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109377448A (zh) | 一种基于生成对抗网络的人脸图像修复方法 | |
CN110222628A (zh) | 一种基于生成式对抗网络的人脸修复方法 | |
Cheng et al. | Facial expression recognition method based on improved VGG convolutional neural network | |
CN107506722A (zh) | 一种基于深度稀疏卷积神经网络人脸情感识别方法 | |
CN109034210A (zh) | 基于超特征融合与多尺度金字塔网络的目标检测方法 | |
CN109145939A (zh) | 一种小目标敏感的双通道卷积神经网络语义分割方法 | |
CN110009057A (zh) | 一种基于深度学习的图形验证码识别方法 | |
CN106650789A (zh) | 一种基于深度lstm网络的图像描述生成方法 | |
CN110516539A (zh) | 基于对抗网络的遥感影像建筑物提取方法、***、存储介质及设备 | |
CN106096605A (zh) | 一种基于深度学习的图像模糊区域检测方法及装置 | |
CN107154043A (zh) | 一种基于3dcnn的肺结节假阳性样本抑制方法 | |
CN107392147A (zh) | 一种基于改进的生成式对抗网络的图像语句转换方法 | |
CN108230278A (zh) | 一种基于生成对抗网络的图像去雨滴方法 | |
CN109801225A (zh) | 基于多任务全卷积神经网络的人脸网纹污迹去除方法 | |
CN109741268B (zh) | 一种针对壁画的破损图像补全方法 | |
CN109284767A (zh) | 一种基于增广样本和多流层的行人检索方法 | |
CN111861945B (zh) | 一种文本引导的图像修复方法和*** | |
CN107657204A (zh) | 深层网络模型的构建方法及人脸表情识别方法和*** | |
CN109710744A (zh) | 一种数据匹配方法、装置、设备及存储介质 | |
CN115601772B (zh) | 一种基于多模态学习的美学质量评价模型和方法 | |
CN109360170A (zh) | 基于高级特征的人脸修复方法 | |
CN114842208A (zh) | 一种基于深度学习的电网危害鸟种目标检测方法 | |
CN109359527A (zh) | 基于神经网络的头发区域提取方法及*** | |
Zhao et al. | Building damage evaluation from satellite imagery using deep learning | |
Liu et al. | Exploration on machine learning layout generation of Chinese private garden in Southern Yangtze |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |